Derniers articles pour Modèles de langue

Cet article examine des moyens d'améliorer les capacités de planification dans les grands modèles de langage.

DetectBench évalue les LLMs sur leur capacité à détecter des preuves cachées dans des tâches de raisonnement.

Examiner comment l’activation des neurones améliore le raisonnement arithmétique dans les grands modèles de langage.

Un nouveau modèle génère de la poésie tchèque avec une meilleure rime et un meilleur rythme.

Un nouveau benchmark évalue les compétences en raisonnement des modèles de langage.

Une étude sur comment les modèles de langage génèrent des raisons convaincantes pour évaluer des arguments.

Cette étude évalue l'honnêteté des LLM dans trois domaines clés.

Cet article explore comment les adversaires impactent le travail d'équipe entre les modèles de langue.

Une étude complète sur la performance des modèles linguistiques dans 10 langues indiennes.

Une nouvelle méthode améliore la réparation de code pour les langages de programmation sous-utilisés.

Explorer comment les puits d'attention impactent la performance des modèles de langage et introduire une technique d'étalonnage.

RankAdaptor optimise le fine-tuning des modèles IA élagués, améliorant les performances de manière efficace.

Une étude sur PlagBench et son rôle dans la détection du plagiat dans les résultats des LLM.

Nouveau jeu de données évalue la capacité des LLM à des tâches de raisonnement logique complexes.

Cette recherche étudie comment les compétences en raisonnement se transfèrent d'une langue à l'autre dans les modèles de langage.

Cet article parle de comment les modèles d'IA apprennent de leurs erreurs grâce à l'auto-correction.

Cette étude évalue à quel point les LLMs raisonnent sur les directions cardinales.

Cette étude évalue comment les LLM gèrent la prise de décision dans un cadre de jeu.

Une étude révèle comment les traits des utilisateurs affectent les réponses et l'exactitude des LLM.

CharED combine des modèles de langage pour de meilleures performances sans vocabulaire partagé.

RAGBench propose un dataset complet pour évaluer les systèmes de Génération Augmentée par Récupération.

Explorer les problèmes de justice dans les modèles de langage AI et leurs implications.

Présentation d'un outil pour améliorer la sécurité dans les interactions avec les modèles de langage.

Cet article explore la détection des erreurs dans les outils utilisés par les modèles de langue.

Cet article analyse les structures répétitives dans les textes générés par des modèles de langage.

Une nouvelle référence évalue dans quelle mesure les modèles de langage suivent plusieurs instructions de manière séquentielle.

Le dataset MalAlgoQA évalue le raisonnement des grands modèles de langage dans des scénarios contrefactuels.

MathCAMPS propose une nouvelle façon d'évaluer le raisonnement mathématique dans les modèles linguistiques.

Ce boulot se concentre sur une meilleure représentation des chiffres en utilisant des embeddings pour des prédictions plus précises.

Explorer l'efficacité des LLMs dans la prise de décision à travers des scénarios de Dueling Bandits.

Un nouveau repère pour évaluer les grands modèles de langage dans les tests d'hypothèses.

CRAB améliore les tests pour les modèles de langage dans des environnements réels.

Affiner des gros modèles de langage directement sur les smartphones tout en protégeant les données des utilisateurs.

Un aperçu de l'interprétabilité mécaniste dans les modèles de langage basés sur les transformateurs.

Explorer comment le changement de perspective fait évoluer les opinions à travers les discussions communautaires.

Des outils automatisés comme les LLM aident à vérifier les affirmations efficacement.

Cette approche utilise l'auto-évaluation pour se protéger contre les résultats nuisibles dans les modèles de langue.

Étudier comment la quantification affecte les performances dans différentes langues.

DCoT améliore la performance des modèles de langage grâce à plusieurs chemins de raisonnement.

Une étude révèle comment les significations des mots évoluent avec le contexte et le temps en utilisant des embeddings de mots.